随着城市化进程的加快,社会经济的不断发展,公路交通系统的压力不断加大。基于计算机视觉技术的智能交通系统的重要性日益显著。其核心的技术是对摄像机拍摄的图像序列进行分析处理,对车辆进行检测与识别。本文提出了一种基于鱼眼相机的后方渐近车辆检测算法,实验证明该方法具有很高的车辆检测性能。本文的主要研究内容概括如下。首先,算法对图像进行预处理,对鱼眼相机获取的图像进行扭曲校正,消除其对算法后期处理的影响;然后,算法采用帧差法评选出车辆候选区,以确定渐近车辆可能存在的区域：接着,提出一种分区域平均检测特征点的方法,使特征点的检测不受复杂背景纹理的影响,尽可能集中在车辆上。然后,通过判断光流的矢量特征,同时提出特征点的反向跟踪和光流聚类的思想减少特征点的错误跟踪,初步确定车辆的区域;最后,由于单一依靠判断光流的矢量方向而确定车辆光流的方法的判断条件过于简单,算法对第一阶段初步确定的车辆区域,使用Adaboost训练分类算法进行的再次的识别验证,以确定最终的车辆区域。在该阶段,本文对样本的选择及尺寸的设定进行了研究,以使训练效果达到最佳。并提出了一种新的训练终止条件,该方法可以有效的防止训练时间过长和训练不完全等问题。本文首先对车辆检测的应用领域及发展现状进行了介绍。其次,提出了一种新的帧差法和光流法相结合的后方渐近车辆检测算法。然后,使用Adaboost算法对第一阶段评选出来的窗口进行识别验证。最后,本文对算法的性能进行了分析,实验证明本文算法具有较高的检测率、较低的误检率以及较好的鲁棒性。